Étape 04 sur 22

Embeddings

Convertir du texte, des images ou de l'audio en vecteurs qui en capturent le sens. Le modèle d'embedding décide de ce que « similaire » veut dire pour votre recherche. En changer plus tard oblige à tout revectoriser.

Par Andrew Miller · Vérifié le 19 oct. 2026 · Notre méthode d’évaluation

Comment choisir

Données multilingues ou riches en code : choisissez un modèle évalué sur ce type de données, pas sur de la prose anglaise.
Données privées ou gros volumes : un modèle ouvert que vous hébergez évite les frais par token.
Médias mixtes : un modèle d'embedding multimodal place images et texte dans un même espace.

Ce qu’il faut regarder

Les questions qui départagent les options, par ordre d’importance.

01
La qualité de recherche sur vos propres questions
La seule question qui compte est de savoir si une requête ramène des passages qui y répondent vraiment. Sur le classement MTEB, c'est la colonne Retr., pas Mean (Task) ni le rang Borda, qui mélangent des tâches de classification, de clustering et de similarité de phrases qu'un système RAG n'exécute jamais ; Octen-Embedding-8B est septième au classement général de l'onglet multilingue, mais obtient un meilleur score en recherche que Qwen3-Embedding-8B, quatrième (71,61 contre 70,88). Servez-vous des benchmarks pour présélectionner ; servez-vous de votre propre évaluation de recherche pour choisir.
02
Adéquation avec votre domaine
Les benchmarks généraux disent peu de choses sur les contrats, les notes cliniques ou les références de pièces. Vérifiez comment les candidats traitent vos termes techniques, vos abréviations et des notions proches qui doivent rester distinctes, comme deux codes produit similaires. Les onglets par domaine du classement (Code, Legal, Medical, Finance, Chemical) sont un meilleur guide que le score général, et les modèles qui acceptent des instructions de tâche gagnent souvent quelques points quand on leur en donne une.
03
Prise en charge des langues, y compris la recherche interlangue
Testez à la fois la recherche dans la même langue (une question en allemand sur des documents en allemand) et la recherche interlangue (une question en anglais sur des documents en japonais) si vos utilisateurs en ont besoin. Sur MTEB, comparez l'onglet Multilingual (MMTEB, 131 tâches dans plus de 250 langues) à l'onglet anglais et à tout onglet propre aux langues de vos marchés ; le score en anglais d'un modèle peut le flatter. Une mention « plus de 100 langues » ne dit rien de la qualité dans chacune d'elles.
04
Une longueur d'entrée adaptée à vos chunks
L'entrée maximale (Max tokens sur le classement) doit couvrir votre plus long chunk plus tout titre ou en-tête ajouté devant, sinon le texte est coupé, souvent sans prévenir : all-MiniLM-L6-v2 s'arrête à 256 morceaux de mots. Une limite plus grande n'aide pas automatiquement, car un seul vecteur pour un long passage brouille plusieurs sujets ; elle vous laisse surtout libre de choisir la taille des chunks.
05
Dimensions : un coût de stockage, pas un score de qualité
Plus de dimensions signifie plus de stockage, de mémoire et de calcul de recherche par vecteur, sans garantir une meilleure recherche. Beaucoup de modèles actuels utilisent l'entraînement Matryoshka : vous pouvez ne garder que les 256 ou 512 premiers nombres avec une perte modeste. Gemini Embedding 2 va de 128 à 3 072 et renormalise automatiquement les vecteurs tronqués, tandis qu'EmbeddingGemma 2 vous demande de renormaliser vous-même. Les sorties int8 ou binaires, proposées par Voyage et Cohere, réduisent encore le stockage ; testez le rappel à la taille que vous stockerez réellement.
06
Vitesse et coût sur tout le cycle de vie
Comptez quatre coûts : la vectorisation du corpus initial, la revectorisation des mises à jour, la latence des requêtes et les frais d'hébergement ou d'API. Les prix d'API pour le texte vont de 0,02 $ à 0,20 $ par million de tokens (de Jina v5 nano à Gemini Embedding 2), avec des remises batch de 33 à 50 % chez Voyage, OpenAI et Google. Les modèles ouverts évitent les frais mais exigent des GPU dimensionnés selon le chiffre Memory (MB) du classement : environ 1,1 GB pour Qwen3-Embedding-0.6B contre 14,4 GB pour le 8B.
07
Déploiement et confidentialité
Décidez tôt si les documents et les requêtes peuvent quitter votre infrastructure. Sinon, il vous faut des poids ouverts que vous pouvez exécuter vous-même, et la licence doit autoriser votre usage : Qwen3-Embedding et EmbeddingGemma 2 sont sous Apache 2.0, tandis que les poids de Jina v5 et de Nemotron ColEmbed V2 sont non commerciaux. Les API hébergées suppriment le travail d'exploitation mais ajoutent un fournisseur qui voit chaque requête.
08
Entrées prises en charge
Les modèles texte uniquement exigent que tout soit d'abord converti en texte. Si votre corpus comprend des pages scannées, des diapositives, des photos, de l'audio ou de la vidéo, envisagez un modèle multimodal qui les vectorise directement (voir le guide par type de données ci-dessous), et vérifiez qu'il a été évalué sur ce type d'entrée : MTEB a des onglets distincts pour les images (MIEB), les documents visuels (ViDoRe), l'audio (MAEB) et la vidéo (MVEB).
09
Des exigences d'usage qui cassent la recherche si on les ignore
Lisez la fiche du modèle avant d'indexer. Beaucoup de modèles attendent un préfixe ou une instruction pour les requêtes et un préfixe différent (ou aucun) pour les documents ; certains exigent des vecteurs normalisés et précisent la similarité cosinus ou le produit scalaire ; EmbeddingGemma 2 prévient que le float16 corrompt la sortie sans prévenir. Les vecteurs des requêtes et des documents doivent provenir du même modèle et du même espace d'embedding, même si les dimensions concordent : changer de modèle oblige donc en général à tout revectoriser ; l'espace partagé entre les tailles de Voyage 4 est une rare exception.

Quelle approche pour quelles données

Chaque type de contenu demande des modèles différents. Beaucoup de systèmes en utilisent plusieurs et routent selon le type de données.

Approches par type de données
Vos données	Approche	Commencer par
Documents texte simples	Découpez par section, vectorisez avec un bon modèle de texte et ajoutez une recherche par mots-clés pour les termes exacts. Présélectionnez à partir de la colonne Retr. de l'onglet de la langue dont vous avez besoin.	Qwen3-Embedding and Qwen3-Reranker, voyage-4-large, text-embedding-3-large, EmbeddingGemma 2
Code	Découpez par fonction ou par classe, gardez le chemin du fichier et les signatures en métadonnées, et utilisez un modèle noté sur l'onglet Code du classement. Qwen3-Embedding-8B y obtient 80,69 ; EmbeddingGemma 2 annonce 78,68 pour une fraction de la taille.	Qwen3-Embedding and Qwen3-Reranker, EmbeddingGemma 2
Tableaux et tableurs	Analysez les tableaux avec un analyseur qui les gère, puis vectorisez chaque tableau, ou des groupes de lignes, en Markdown avec la ligne d'en-tête répétée et une courte légende. Les embeddings trouvent le bon tableau ; pour les chiffres exacts et les agrégats, mieux vaut interroger les données elles-mêmes (SQL ou dataframe) une fois le tableau trouvé.	Docling, Cohere Embed 5, Qwen3-Embedding and Qwen3-Reranker
PDF scannés, diapositives et images de pages	Deux voies. Convertir les pages en texte avec un modèle d'OCR et vectoriser le texte, ce qui limite le stockage et fonctionne avec n'importe quelle base vectorielle. Ou vectoriser directement l'image de la page, avec un modèle à interaction tardive (le plus précis sur ViDoRe, avec beaucoup plus de stockage) ou un modèle multimodal à vecteur unique ; comparez sur l'onglet ViDoRe v3.	Nemotron ColEmbed V2, Qwen3-VL-Embedding, Cohere Embed 5, PaddleOCR-VL-1.6
Images naturelles	Utilisez un modèle d'embedding multimodal qui place images et texte dans un même espace, pour que les requêtes texte trouvent des photos ; consultez les onglets MIEB, où le petit modèle ouvert EmbeddingGemma 2 est cinquième sur MIEB (lite) avec 63,52. Ajoutez des légendes générées sous forme de texte si vous avez aussi besoin d'une recherche par mots-clés.	Qwen3-VL-Embedding, EmbeddingGemma 2, Gemini Embedding 2, Jina Embeddings v5
Vidéo	Vectorisez de courts segments plutôt que des fichiers entiers, avec les horodatages en métadonnées, à l'aide d'un modèle qui prend nativement la vidéo ; consultez l'onglet vidéo-texte de MVEB, que mène Qwen3-VL-Embedding-8B. Transcrivez la bande son et vectorisez-la en texte en parallèle.	Marengo 3.5, Qwen3-VL-Embedding, Gemini Embedding 2
Audio et parole	Pour la parole, transcrivez et vectorisez la transcription, avec horodatages et étiquettes de locuteurs ; c'est moins cher et plus facile à interroger. Utilisez des embeddings audio natifs, comparés sur l'onglet MAEB, pour les sons autres que la parole, la musique ou le ton.	Whisper large-v3-turbo, Parakeet TDT 0.6B v3, EmbeddingGemma 2, Gemini Embedding 2
Multilingue et interlangue	Utilisez un modèle multilingue et testez directement les requêtes interlangues ; comparez l'onglet Multilingual et les onglets par langue, et servez-vous de la colonne Bitext comme signal secondaire. Évitez de traduire les documents avant de les vectoriser, sauf si les tests montrent que cela aide.	Qwen3-Embedding and Qwen3-Reranker, Jina Embeddings v5, Cohere Embed 5, Gemini Embedding 2

Lire le classement MTEB

Pour le RAG et la recherche documentaire, commencez par la colonne Retr. de l'onglet qui correspond à vos langues, pas par la moyenne générale ; ces colonnes notent des modèles d'embedding, pas des bases vectorielles.

Rank (Borda): Chaque tâche « vote » pour les modèles selon leur position relative sur cette tâche ; le modèle qui recueille le plus de votes sur l'ensemble des tâches est classé premier.; Récompense la régularité générale, pas la recherche. Deux rangs voisins peuvent cacher un écart important ou négligeable : regardez les scores.
Paramètres (total et actifs): Taille du modèle, poids d'embedding compris. Les paramètres actifs ne diffèrent que pour les modèles mixture-of-experts.; Un indicateur de mémoire et de vitesse. L'étiquette Pareto du tableau signale les modèles qu'aucun concurrent plus petit ne bat ; vérifiez-la avant de payer pour un modèle de 8B.
Openness: Un score de 0 à 6 pour les poids ouverts, la licence ouverte, le code d'entraînement ouvert, les données d'entraînement ouvertes, un article et une fiche de modèle.; Des poids ouverts ne signifient pas à eux seuls que l'usage commercial est autorisé ; lisez la licence. Les API fermées ont par construction un score faible ici.
Zero-shot %: La part des tâches du benchmark dont les données d'entraînement n'ont pas servi à entraîner le modèle. « NA » signifie inconnu.; Ce n'est pas un score de précision. En dessous d'environ 80 %, une partie du score reflète des tâches que le modèle a déjà vues ; sur l'onglet anglais, plusieurs modèles du top cinq se situent entre 48 % et 51 %.
Mean (Task): Moyenne simple sur toutes les tâches du benchmark.; Facile à comparer, mais pondérée vers les types de tâches qui comptent le plus de jeux de données : sur l'onglet multilingue, 43 des 131 tâches sont de la classification et 18 de la recherche.
Mean (TaskType): Moyenne au sein de chaque catégorie (classification, recherche, etc.), puis moyenne à poids égal des catégories.; Plus équitable entre catégories que Mean (Task), mais inclut toujours des tâches sans rapport avec la recherche. Attendez-vous à un résultat inférieur de plusieurs points.
Mean (Public) et Mean (Private): Moyennes sur les tâches publiées et sur les tâches réservées que le benchmark garde privées, pour les benchmarks comme RTEB qui comprennent les deux.; Un modèle nettement meilleur sur les tâches publiques que privées est peut-être optimisé pour le benchmark. Les scores privés sont le signal le plus honnête.
Retr.: Recherche : trouver les documents pertinents pour une requête dans un grand corpus, mesurée surtout par le nDCG@10 (à quelle hauteur les bons documents apparaissent dans les dix premiers).; Donnez la priorité à cette colonne pour le RAG. Puis confirmez sur les onglets de domaine et de langue les plus proches de vos données.
Rerank: Réordonner une courte liste de candidats pour une requête.; Signal secondaire utile pour la recherche. Un modèle de reranking dédié fait généralement mieux qu'un modèle d'embedding ici.
Class. et MultiClass.: Classification : attribuer une ou plusieurs étiquettes d'un ensemble fixe, en utilisant les embeddings comme variables.; Pertinent si vous comptez étiqueter ou router du contenu avec des embeddings ; ce n'est pas une mesure de recherche.
Clust.: Clustering : regrouper des textes sans étiquettes ; noté par rapport à des groupes de référence.; Pertinent pour la découverte de thèmes et la déduplication, pas pour répondre à des questions.
PairClass.: Classification de paires : déterminer une relation entre deux textes, comme doublon ou paraphrase.; Un repère pour la détection de doublons. Dit peu de chose de la recherche requête-passage.
STS: Similarité textuelle sémantique : noter sur une échelle à quel point deux phrases se ressemblent.; Un STS élevé ne prouve pas à lui seul une bonne recherche ; questions et réponses ne sont pas des paraphrases les unes des autres.
Bitext: Bitext mining : associer des phrases à leurs traductions d'une langue à l'autre.; Un signal approximatif de l'alignement entre langues ; testez quand même directement la recherche interlangue.
Summ.: Résumé (onglet anglais) : mesurer à quel point les embeddings classent bien des résumés automatiques par rapport à des références humaines.; Évalue des résumés ; cela ne mesure pas la capacité d'un modèle à en produire, et compte peu pour la recherche.
Instr Rerank: Reranking guidé par une instruction libre jointe à la requête.; La plupart des modèles obtiennent entre 0 et 12 ici ; ignorez-le sauf si vous prévoyez une recherche pilotée par instructions.
Dimension d'embedding: Longueur du vecteur produit par le modèle (le classement indique la valeur par défaut ou maximale).; Un coût de stockage, pas un score de qualité. Vérifiez si des tailles Matryoshka plus petites sont prises en charge.
Max tokens: L'entrée la plus longue que le modèle lit d'un coup.; Doit dépasser la taille de vos chunks ; au-delà, plus grand n'est pas mieux pour la recherche.
Memory (MB): Mémoire nécessaire pour charger les poids, dans le CSV téléchargeable et sur la page de chaque modèle.; Dimensionnez votre GPU ou votre CPU d'après ce chiffre. Vide pour les API fermées.

Comment le tester sur vos propres données

Rassemblez 50 à 100 questions réelles ou réalistes et marquez le ou les passages qui répondent à chacune.
Incluez des cas difficiles : abréviations et synonymes, identifiants exacts comme des numéros de commande ou de pièce, questions ambiguës, autres langues, et documents que certains utilisateurs n'ont pas le droit de voir.
Indexez les mêmes chunks avec chaque modèle présélectionné, en utilisant les préfixes de requête et de document et la normalisation recommandés pour chacun.
Mesurez le Recall@k (un passage correct figure-t-il dans les k premiers ?) et une métrique de classement comme le nDCG@10 ou le MRR, globalement et par type de question.
Mesurez la latence p95 des requêtes avec une concurrence réaliste et avec les filtres de métadonnées que vous utiliserez en production.
Estimez le coût total : indexation initiale, stockage des vecteurs à la dimension et à la précision choisies, requêtes par mois et revectorisation des mises à jour.
Vérifiez sur un échantillon la qualité des réponses de bout en bout, car un passage retrouvé n'est utile que si le modèle peut y puiser sa réponse.
Évaluez tout le pipeline de recherche, pas seulement le modèle : le découpage, les métadonnées jointes, la recherche hybride par mots-clés et un reranker font souvent autant bouger les résultats qu'un changement de modèle d'embedding.

Ce qui distingue les options

Les API hébergées (voyage-4-large, Cohere Embed 5, Gemini Embedding 2, text-embedding-3-large d'OpenAI) facturent au token et ne demandent aucun GPU, mais vos données partent chez le fournisseur et vous ne pouvez pas figer le modèle indéfiniment. Les modèles à poids ouverts (Qwen3-Embedding, EmbeddingGemma 2, Qwen3-VL-Embedding) sont gratuits à exécuter et privés, au prix de les servir vous-même ; leurs tailles vont de quelques centaines de millions de paramètres, qui tournent sur le CPU d'un portable, à 8 milliards, qui exigent un GPU de centre de données.

L'autre ligne de partage est l'entrée. Les modèles d'embedding de texte produisent un vecteur par passage et mènent les benchmarks texte de MTEB. Les modèles multimodaux placent texte, images, audio ou vidéo dans un même espace, pour qu'une question écrite puisse trouver un graphique ou un extrait vidéo. Les modèles à interaction tardive (la famille ColPali, Nemotron ColEmbed V2) stockent un vecteur par token ou par fragment d'image et retiennent la meilleure correspondance pour chaque token de la requête ; ce sont les plus précis sur les pages scannées et visuelles, mais ils multiplient le stockage et nécessitent une base vectorielle qui gère le scoring multi-vecteurs.

11 outils comparés

Classés selon notre note. Ouvrez un avis pour voir les sources, les prix et le verdict complet.

Outils comparés : Embeddings
Outil	Note	Notre verdict	Idéal pour	Prix
voyage-4-largemodèle	4.5/5	Un fort modèle de récupération avec une astuce qui manque aux rivaux, un espace vectoriel partagé, mais son avance repose sur les propres tests de Voyage et il peut s'entraîner sur vos données jusqu'à ce qu'un admin s'y oppose.	Les équipes qui construisent de la recherche de texte ou du RAG et veulent payer pour la qualité au moment de l'indexation et faire tourner des embeddings de requête bon marché ou locaux.	0,12 $ par 1M de tokens ; 200 premiers millions de tokens gratuits (pas sur Batch) ; API Batch 33 % de moins.
Jina Embeddings v5modèle	4.3/5	L'espace vectoriel partagé texte-et-médias de Jina v5 est l'idée la plus astucieuse des petits embeddings, et une licence non commerciale est le péage pour quiconque veut le faire tourner lui-même.	Les équipes qui construisent une recherche multilingue ou multimodale sur de petits modèles, en particulier au sein d'Elastic.	API Jina : modèles small 0,05 $ par 1M de tokens, nano 0,02 $. Poids gratuits pour un usage non commercial ; l'auto-hébergement commercial exige une licence Elastic payante.
Gemini Embedding 2modèle	4.3/5	Gemini Embedding 2 est le moyen le plus simple de chercher dans la vidéo et l'audio avec une phrase, et un moyen trop cher de chercher dans du texte brut.	Les développeurs qui construisent une recherche ou des recommandations sur des médias mixtes comme les images, les enregistrements et la vidéo.	Par million de tokens : texte 0,20 $, image 0,45 $, audio 6,50 $, vidéo 12 $ ; Batch à moitié prix ; niveau gratuit avec limites (entrées utilisées pour l'amélioration des produits).
EmbeddingGemma 2modèle	4.3/5	EmbeddingGemma 2 rend praticable sur un téléphone une recherche privée et hors ligne dans les photos, mémos vocaux et code, tout en laissant la qualité de récupération textuelle presque exactement là où la version un l'avait laissée.	Les développeurs mobiles et embarqués qui construisent une recherche privée ou hors ligne dans du texte, du code, des images et de l'audio.	Gratuit sous Apache 2.0, sous réserve de la Gemma Prohibited Use Policy. Pas encore d'API hébergée chez Google ni chez les fournisseurs d'inférence de Hugging Face.
Qwen3-VL-Embeddingmodèle	4.3/5	L'embedder ouvert par lequel commencer quand un seul index doit contenir des diapositives, des captures d'écran et de la vidéo aux côtés du texte, avec Apache 2.0 qui règle la question de la licence.	Les équipes qui auto-hébergent une recherche sur images, vidéo et documents mixtes sous une licence permissive.	Gratuit sous Apache 2.0.
Qwen3-Embedding and Qwen3-Rerankermodèle	4.2/5	Une pile de recherche ouverte complète sous une seule licence, embedder et reranker ensemble, même si sa couronne de classement date de juin 2025.	Les équipes qui auto-hébergent une recherche multilingue ou de code et veulent l'embedding et le reranking sous une seule licence ouverte.	Gratuit sous Apache 2.0. Le text-embedding-v4 hébergé de Qwen Cloud, bâti sur Qwen3, est à 0,07 $ par 1M de tokens.
Cohere Embed 5modèle	4.2/5	Conçu pour les longs documents d'entreprise visuellement chargés et désormais tarifé publiquement, même si chaque benchmark qui le flatte est celui de Cohere.	Les entreprises qui indexent de longs PDF, rapports réglementaires et présentations mêlant texte et images.	API : Pro à 0,12 $ et Fast à 0,08 $ par million de tokens de texte ; images à 0,40 $ par million. Model Vault à partir de 3 $ de l'heure ou 2 000 $ par mois et par instance.
Marengo 3.5modèle	3.9/5	Conçu sur mesure pour trouver des moments dans la vidéo, avec de petits vecteurs qui gardent le stockage bon marché, même si chaque chiffre derrière vient de TwelveLabs.	Les équipes qui construisent une recherche sur de grandes bibliothèques vidéo et veulent une API d'embedding gérée, spécialiste de la vidéo, et feront tourner leur propre magasin de vecteurs.	API Embed au lancement, par 1M de tokens : vidéo 0,26 $, audio 0,065 $, image 0,08 $, document 0,162 $, texte 0,20 $. Offres : Free, Plus 29 $/mois, Pro 99 $/mois, Enterprise sur mesure.
Nemotron ColEmbed V2modèle	3.8/5	Assez précis pour être l'étalon de la recherche sur image de page, et sous licence telle qu'un étalon est tout ce que la plupart des entreprises peuvent en faire.	Les chercheurs et équipes d'évaluation qui ont besoin d'une base ouverte solide pour la récupération de documents visuels et ne prévoient pas de la livrer.	Poids gratuits pour un usage non commercial et de recherche (CC BY-NC 4.0).
text-embedding-3-largemodèle	3.7/5	Sûr, bon marché et pris en charge par chaque base de données vectorielle, text-embedding-3-large est désormais derrière les récupérateurs plus récents d'assez pour justifier un nouveau test avant toute nouvelle construction.	Les équipes déjà sur OpenAI qui valorisent un seul fournisseur, des conditions de données strictes et un large support d'outils plutôt que la meilleure qualité de récupération.	0,13 $ par 1M de tokens ; Batch à moitié prix ; text-embedding-3-small 0,02 $ par 1M.
all-MiniLM-L6-v2modèle	3.4/5	Toujours le moyen le plus rapide de faire fonctionner une recherche sémantique, et plus le bon modèle à livrer.	Les apprenants et prototypeurs qui ont besoin d'un modèle d'embedding anglais rapide et pris en charge partout.	Gratuit sous Apache 2.0.

Côte à côte

Les caractéristiques qui comptent pour cette étape. Vérifiées le 19 oct. 2026 ; confirmez-les sur le site du fournisseur avant de vous engager.

Embeddings : caractéristiques côte à côte
Outil	Paramètres	Dimensions	Entrée maximale	Langues / entrées	Licence / accès	Prix par million de tokens
voyage-4-large	Non publié (mixture-of-experts)	256–2 048 (1 024 par défaut)	32K	Texte ; multilingue	Fermé ; API Voyage, MongoDB Atlas	0,12 $ (200M premiers gratuits)
Jina Embeddings v5	677M small, 239M nano	1 024 / 768 ; jusqu'à 32	32K small, 8K nano	Texte ; omni ajoute image, vidéo, audio	Poids CC BY-NC 4.0 ; API	0,05 $ small, 0,02 $ nano
Gemini Embedding 2	Non publié	128–3 072	8 192	Texte, image, vidéo, audio, PDF ; plus de 100	Fermé ; API Gemini (préversion)	0,20 $ texte
EmbeddingGemma 2	270M texte (740M avec tous les encodeurs)	768 ; jusqu'à 128	8 192	Texte, code, image, audio, vidéo	Apache 2.0, poids ouverts	Auto-hébergé
Qwen3-VL-Embedding	2B, 8B	Jusqu'à 2 048 / 4 096 ; à partir de 64	32K	Texte, image, capture d'écran, vidéo ; plus de 30	Apache 2.0, poids ouverts	Auto-hébergé
Qwen3-Embedding and Qwen3-Reranker	0.6B, 4B, 8B	1 024 / 2 560 / 4 096 ; tronquables	32K	Texte et code ; plus de 100 langues	Apache 2.0, poids ouverts	Auto-hébergé
Cohere Embed 5	Non publié	256–2 048	128K	Texte, images, PDF ; plus de 100 langues	Fermé ; API, Foundry, SageMaker	Non publié
Marengo 3.5	Non publié	512 ; jusqu'à 128	Non publié	Vidéo, audio, image, texte, pages PDF	Fermé ; API TwelveLabs	Quota de l'offre ; tarifs unitaires séparés
Nemotron ColEmbed V2	3B, 4B, 8B (8.8B)	4 096 par token (multi-vecteurs)	10 240 évalués	Requêtes texte, images de pages	CC BY-NC 4.0 (non commerciale)	Auto-hébergé
text-embedding-3-large	Non publié	Jusqu'à 3 072 ; réductible	8 191	Texte ; multilingue	Fermé ; API OpenAI	0,13 $
all-MiniLM-L6-v2	23M	384	256	Texte ; anglais uniquement	Apache 2.0, poids ouverts	Auto-hébergé

Où s’insère cette étape

Discuter avec vos documents : nous commencerions par Qwen3-Embedding and Qwen3-Reranker.
Agent de service client : nous commencerions par Cohere Embed 5.
Agent de code : nous commencerions par Qwen3-Embedding and Qwen3-Reranker.
Recherche et graphe de connaissances : nous commencerions par voyage-4-large.
Assistant à mémoire longue : nous commencerions par Jina Embeddings v5.
Pipeline de génération d'images : nous commencerions par Qwen3-VL-Embedding.
Production vidéo : nous commencerions par Marengo 3.5.
Agent vocal : nous commencerions par EmbeddingGemma 2.
IA privée, sur l'appareil : nous commencerions par EmbeddingGemma 2.
Traitement de documents : nous commencerions par Qwen3-VL-Embedding.

Embeddings

Comment choisir

Ce qu’il faut regarder

La qualité de recherche sur vos propres questions

Adéquation avec votre domaine

Prise en charge des langues, y compris la recherche interlangue

Une longueur d'entrée adaptée à vos chunks

Dimensions : un coût de stockage, pas un score de qualité

Vitesse et coût sur tout le cycle de vie

Déploiement et confidentialité

Entrées prises en charge

Des exigences d'usage qui cassent la recherche si on les ignore